前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >53. Python 爬虫(2)

53. Python 爬虫(2)

作者头像
py3study
发布2020-01-07 17:47:56
3890
发布2020-01-07 17:47:56
举报
文章被收录于专栏:python3

Cookie

Requests通过会话信息来获取cookie信息

Cookie的五要素:

    Name   value   domain   path  expires

打印cookie的五大要素

代码语言:javascript
复制
import requests
url = "http://www.hao123.com"
s = requests.session()
r = s.get(url)
print (r.cookies)
for cook in r.cookies:
    print (cook.name)
    print (cook.value)
    print (cook.domain)
    print (cook.path)
    print (cook.expires)
    print ("#" * 30)

打印结果:

代码语言:javascript
复制
<RequestsCookieJar[<Cookie BAIDUID=C425EDB0B83699C89BDA3D02B25C53BA:FG=1 for .hao123.com/>, <Cookie hz=0 for .www.hao123.com/>, <Cookie ft=1 for www.hao123.com/>, <Cookie v_pg=normal for www.hao123.com/>]>
BAIDUID
C425EDB0B83699C89BDA3D02B25C53BA:FG=1
.hao123.com
/
1548337791
##############################
hz
0
.www.hao123.com
/
None
##############################
ft
1
www.hao123.com
/
1516809599
##############################
v_pg
normal
www.hao123.com
/
None
##############################

你只要获得了登陆页的cookies,你就可对网站进行合理的请求和访问了。

使用已知cookie信息,如何访问网站:

代码语言:javascript
复制
import requests
url = 'http://httpbin.org/cookies'
r = requests.get(url, cookies={'key1': 'value1', 'key2': 'value2'})
print(r.text)

结果:

代码语言:javascript
复制
{
    "cookies": {
    "key1": "value1",
    "key2": "value2"
    }
}

请求到我的IP地址:

代码语言:javascript
复制
import requests
url = "http://2017.ip138.com/ic.asp"
s = requests.session()
r = s.get(url=url)
print (r.encoding)
r.encoding = "gbk"
print (r.text)

代理访问:

采集时为避免被封IP,经常会使用代理。

requests也有相应的proxies属性。

西刺代理

代码语言:javascript
复制
import requests
proxies = {
"http": "http://139.208.187.142:8118"
}
r1 = requests.get("http://2017.ip138.com/ic.asp", proxies=proxies)
r1.encoding = "gbk"
print (r1.text)

请求结果:

代码语言:javascript
复制
<html>
<head>
<meta http-equiv="content-type" content="text/html; charset=gb2312">
<title> 您的IP地址 </title>
</head>
<body style="margin:0px"><center>您的IP是:[139.208.187.142] 来自:吉林省延边朝鲜族自治州 联通</center></body></html>

如果代理需要账户和密码,则需这样:

代码语言:javascript
复制
proxies = {
    "http": "http://user:pass@10.10.1.10:3128/",
}

requests的中文乱码问题:

代码语言:javascript
复制
import requests
param = {"key1": "hello", "key2": "world"}
url = 'https://www.baidu.com/'
r = requests.get(url=url)
print(r.encoding)              #ISO-8859-1默认使用的是这个
r.encoding = "utf-8"
print(r.text)

这样就可以正常显示了

总结:

Requests给你提供的所有接口,在传输数据的时候,都可以以key:value的形式进行传输,这个也是为什么特别使用requests的原因

如果你使用urllib,那么你就没有这么幸运了,很多事情都需要你自己去处理,并不可以直接通过dict的形式进行传输,需要进行装换。

Urllib 模块

在python2和python3上有差异

在python2上,urllib和urllib2各有各的功能,虽然urllib2是urllib的包装、升级版,但是urllib2还是不能完全替代urllib,而在python3中,则全部封装成1个类:urllib

代码语言:javascript
复制
python2:
import urllib
import urllib2
代码语言:javascript
复制
python3:
import urllib

Request方法:

代码语言:javascript
复制
import urllib.request
urllib.request.Request(url, data=None, headers = {}, method= None)

先看看python2中的urllib2和urllib的区别

(1)urllib2可以接收一个request对象,并以此可以来设置一个url的headers,但是urllib只可以接收一个url,这就意味着你不能通过urllib伪装自己的请求头。

举例:

python2中接收request对象:

代码语言:javascript
复制
urllib2.Request

python3中接收request对象:

代码语言:javascript
复制
urllib.request.Request()

python3 对这个方法重新进行了封装。

(2)ullib模板可以提供运行urlencode的方法,该方法用于GET查询字符串的生成,urllib2不具备这样的功能,而且urllib.quote等一系列qoute和unquote功能没有被加入urllib2中,因此有时也需要urllib的辅助。这就是为什么有时候urllib和urllib2一起使用的原因。(quote 是用来给url转码的)

举例:

python2中使用urllib.encode

代码语言:javascript
复制
data = {"key1":"hello", "key2":"world"}
d = urllib.encode(data)

作用:等同于域名后面的参数 www.**.com?key1=hello&key2=world

python3中使用parse.urlencode

代码语言:javascript
复制
from urllib import parse
import urllib.request
url = "www.hao123.com"
data = {"key1":"hello", "key2":"world"}
ndata = parse.urlencode(data) 	#将数据转化成一个字典形式
print (ndata)
#打印结果:key1=hello&key2=world
#继续往下:
req = urllib.request.Request(url=url, data=ndata.encode("utf-8"))
res = urllib.request.urlopen(req)
print (res.read().decode("utf-8"))

【注意】:urlencode()主要作用就是将url附上要提交的数据。Post的数据必须是bytes或者iterable of bytes,不能是str,因此需要进行encode()编码

方法解释:

代码语言:javascript
复制
urllib.request.urlopen(url, data=None, timeout=None)
url    		需要打开的网站
data    		psot提交的数据
Timeout       	网站访问的超时时间

但是没法伪装我们的头信息

代码语言:javascript
复制
from urllib import request
req = request.Request(url, headers=headers, data=data)
html = request.urlopen(req).read()

如果不自己添加信息,只需要加头信息,即添加一个字典形式的头信息即可访问,如下:

代码语言:javascript
复制
... ...
headers = {"User-Agent":
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36"}
req = urllib.request.Request(url=url, headers=headers)
res = urllib.request.urlopen(req)
print (res.read().decode("utf-8"))

分享链接:时下流行的浏览器User-Agent大全

http://blog.csdn.net/u012175089/article/details/61199238

同理,python2同样可以实现添加头信息,请求页面:

代码语言:javascript
复制
import urllib
import urllib2
headers = {"User-Agent":
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36"}
url = "https://www.qiushibaike.com"
req = urllib2.Request(url, headers=headers)
res = urllib2.urlopen(req)
print (res.read())
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2019/09/11 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档